对标医生读片思路 科学岛团队构建可解释的肺结节AI诊断模型

肺上一个小节结,究竟要不要紧?这个判断往往决定一位患者后续的整套诊疗方案。近日,中国科学院合肥物质科学研究院健康所、合肥肿瘤医院科研团队联合国内外多家单位,在肺癌诊断研究方向取得新进展:一套基于胸部CT影像的肺结节AI辅助诊断新方法被提出,研究成果已发表在Information Fusion上。

肺癌属于高发恶性肿瘤,提高治愈率、降低死亡率的关键在早期筛查,而早筛环节里肺结节良恶性的准确判断又最为要紧。按传统流程,医生要逐张研读胸部CT影像,把肺部整体结构、结节周边组织以及结节本身的细节综合起来,再结合临床经验给出结论。这样的读片既耗时费力,也容易受经验、疲劳等因素扰动,甚至出现漏诊误诊。

近年来AI技术已被引入肺结节良恶性辅助诊断,但常规诊断模型只依靠单尺度影像特征作出判断,多属黑箱算法,识别精度有限、可解释性差,难以满足精准诊疗的临床需求。换句话说,模型给了结论,却说不清依据,医生很难与之形成有效验证。

针对这些短板,团队在算法设计上干脆模仿医生的诊断逻辑,提出新型M³Net,即宏观—介观—微观层级3D神经网络AI模型,发展多尺度、可解释的肺结节智能分类与诊断新方法。算法构建三种差异化影像输入尺度,分别对应肺部全局宏观结构、结节周边组织特征、结节微观细节,把病灶诊断相关的重要信息尽量纳入视野。

具体实现上,模型通过专属编码器分别提取不同尺度的影像特征,依靠隐空间投影、互信息最大化技术完成跨尺度特征对齐,再借助层级交叉注意力机制,模拟医生先全局、再局部、后细节的诊断流程。经过多重正则化约束优化特征融合后,既能捕捉结节分叶、毛刺、密度不均等恶性细微特征,又兼顾血管牵拉、肺组织形变等全局病理信息,对病灶实现精细化、立体化分析。

为检验有效性,团队依托公开数据集LIDC-IDRI和临床数据集USTC-FHLN开展算法比较实验。结果显示,与流行的十二种AI算法相比,M³Net在两个数据集上的肺结节良恶性分类准确率等指标均有提升,尤其对边界模糊、特征不典型的疑难肺结节鉴别优势明显,而且模型参数量与运算成本更低。这套遵循医生诊断逻辑的多尺度影像输入AI算法,便于建立人机之间的有效验证,为提高肺癌AI诊断准确性和相对可解释性提供了新的策略。

(本文综合安徽网·大皖新闻相关报道整理)

上一篇:古战场上对话新材料 海客圆桌会走进固镇牵线国际商协会
下一篇:没有了

网友回应

◆ ◆
◆ ◆

欢迎扫描关注我们的微信公众平台!

欢迎扫描关注我们的微信公众平台!